清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

OnionNet-2: A Convolutional Neural Network Model for Predicting Protein-Ligand Binding Affinity Based on Residue-Atom Contacting Shells

虚拟筛选 卷积神经网络 蛋白质配体 计算机科学 诱饵 对接(动物) 配体(生物化学) 功能(生物学) 人工智能 原始数据 蛋白质功能 机器学习 计算生物学 数据挖掘 化学 分子动力学 计算化学 生物 生物化学 医学 基因 进化生物学 护理部 受体 程序设计语言
作者
Zechen Wang,Liangzhen Zheng,Yang Liu,Yuanyuan Qu,Yongqiang Li,Mingwen Zhao,Yuguang Mu,Weifeng Li
出处
期刊:Frontiers in Chemistry [Frontiers Media]
卷期号:9 被引量:70
标识
DOI:10.3389/fchem.2021.753002
摘要

One key task in virtual screening is to accurately predict the binding affinity ($\triangle$$G$) of protein-ligand complexes. Recently, deep learning (DL) has significantly increased the predicting accuracy of scoring functions due to the extraordinary ability of DL to extract useful features from raw data. Nevertheless, more efforts still need to be paid in many aspects, for the aim of increasing prediction accuracy and decreasing computational cost. In this study, we proposed a simple scoring function (called OnionNet-2) based on convolutional neural network to predict $\triangle$$G$. The protein-ligand interactions are characterized by the number of contacts between protein residues and ligand atoms in multiple distance shells. Compared to published models, the efficacy of OnionNet-2 is demonstrated to be the best for two widely used datasets CASF-2016 and CASF-2013 benchmarks. The OnionNet-2 model was further verified by non-experimental decoy structures from docking program and the CSAR NRC-HiQ data set (a high-quality data set provided by CSAR), which showed great success. Thus, our study provides a simple but efficient scoring function for predicting protein-ligand binding free energy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
淡淡醉波wuliao完成签到 ,获得积分0
7秒前
小蘑菇应助弯弯的小河采纳,获得10
8秒前
Owen应助科研通管家采纳,获得10
19秒前
35秒前
Aaron发布了新的文献求助10
36秒前
CodeCraft应助Betty采纳,获得10
39秒前
土豆··完成签到,获得积分10
52秒前
1分钟前
桥西小河完成签到 ,获得积分10
1分钟前
1分钟前
大医仁心完成签到 ,获得积分10
1分钟前
Betty发布了新的文献求助10
1分钟前
汉堡包应助Sinner采纳,获得10
1分钟前
lilaccalla完成签到 ,获得积分10
2分钟前
2分钟前
lanxinge完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
2分钟前
Sinner发布了新的文献求助10
3分钟前
3分钟前
3分钟前
3分钟前
xhcccc发布了新的文献求助20
3分钟前
SciGPT应助跳跃的代曼采纳,获得10
3分钟前
Yolo完成签到 ,获得积分10
3分钟前
3分钟前
跳跃的代曼完成签到,获得积分10
3分钟前
4分钟前
xhcccc完成签到,获得积分10
4分钟前
白天亮完成签到,获得积分10
4分钟前
5分钟前
wujiwuhui完成签到 ,获得积分10
5分钟前
5分钟前
5分钟前
玛卡巴卡爱吃饭完成签到 ,获得积分10
6分钟前
Jasper应助科研通管家采纳,获得10
6分钟前
爆米花应助bju采纳,获得10
6分钟前
6分钟前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Cognitive Neuroscience: The Biology of the Mind 1000
Technical Brochure TB 814: LPIT applications in HV gas insulated switchgear 1000
Immigrant Incorporation in East Asian Democracies 600
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
A Preliminary Study on Correlation Between Independent Components of Facial Thermal Images and Subjective Assessment of Chronic Stress 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3968504
求助须知:如何正确求助?哪些是违规求助? 3513318
关于积分的说明 11167279
捐赠科研通 3248691
什么是DOI,文献DOI怎么找? 1794414
邀请新用户注册赠送积分活动 875030
科研通“疑难数据库(出版商)”最低求助积分说明 804652